Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
MeshFlow는 메쉬의 대칭성을 유지하며 삼각형 수프 형태로 3D 메쉬를 직접 생성하는 새로운 연구입니다. 등변 최적 운송 플로우 매칭을 통해 기존 자기회귀 방식보다 약 18배 빠른 추론 속도와 높은 품질을 달성했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기메쉬(Meshes)는 가장 흔한 3D 장면 표현 방식 중 하나이지만, 메쉬 표현 방식이 면(faces)과 정점(vertices)의 순열 불변성(permutation invariance)을 포함한 중요한 대칭성을 포함하고 있기 때문에 메쉬를 직접 생성하는 것은 매우 어렵습니다. MeshFlow는 메쉬를 긴 자기회귀(autoregressive) 시퀀스로 직렬화할 필요 없이, 삼각형 수프(triangle soups)로서 삼각형 메쉬를 직접 생성하는 법을 학습합니다. 우리는 삼각형 수프의 핵심 대칭성인 면의 임의 순열(arbitrary permutations of faces) 및 각 면 내 정점의 순열(permutations of the vertices within each face)을 준수하는 등변 최적 운송 플로우 매칭(equivariant optimal-transport flow matching) 모델을 채택합니다. 이 목표를 달성하기 위해, 우리는 Diffusion Transformer 아키텍처에 단순하면서도 효과적인 수정을 제안하며, 이를 통해 원하는 등변성(equivariance)을 유지하면서 속도장(velocity field)을 모델링할 수 있는 확장 가능한 네트워크를 구현합니다. 나아가, 이러한 대칭성을 위반하는 감독 신호(supervision signals)를 제거함으로써 수렴을 개선하는 최적 운송 기반의 학습 목적 함수(training objective)를 도입합니다. MeshFlow는 최첨단(state-of-the-art) 자기회귀 메쉬 생성기와 대등한 메쉬 품질을 달성하는 동시에, 추론(inference) 과정에서 약 18배의 속도 향상을 제공합니다. 프로젝트 페이지는 https://qiisun.github.io/MeshFlow/ 에서 확인할 수 있습니다.